可解释的变压器框架用于快速的棉花叶诊断和织物缺陷检测
S M Masfequier Rahman Swapno1, Anamul Sakib2, Al Shahriar Uddin Khondakar Pranta3
1Department Of Computer Science and Engineering, Bangladesh University of Business and Technology, Dhaka 1216, Bangladesh.
iScience
|February 20, 2026
概括
一个新的混合深度学习模型使用可解释AI (XAI) 准确地分类棉花叶病和织物缺陷. 这种高效的框架为农业和织品质量评估提供了高性能.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确识别棉花叶病和织物缺陷对于农业产量和织品质量至关重要.
- 现有的AI模型往往缺乏可解释性或计算效率.
研究的目的:
- 开发一种混合深度学习模型,将CNN和视觉转换器结合起来,用于分类棉花叶病和织物缺陷.
- 使用可解释AI (XAI) 技术增强模型的解释性.
- 在人工智能驱动的质量评估中实现高精度和计算效率.
主要方法:
- 一个混合深度学习模型,集成基于CNN的层次特征提取和视觉转换器自我注意 (XCottL-FebViT).
- 可解释AI (XAI) 的应用,以提高模型的可解释性.
- 对计算效率进行超参数优化.
- 在四个基准数据集上进行评估:CottonLeafNet,SAR-CLD,CottonFabricImageBD和FabricSpotDefect.
主要成果:
- 与现有的基于变压器的模型相比,XCottL-FebViT表现出更高的性能.
- 取得了很高的培训和验证准确度 (例如,CottonLeafNet的培训率为99.97%和验证率为99.93%).
- 在数据集中的准确性,MCC和F1分数的持续改进.
结论:
- 拟议的XCottL-FebViT模型为检测棉花叶病和织物缺陷提供了一个高度准确,可解释和计算高效的解决方案.
- 集成XAI为领域专家更好地理解和信任人工智能决策.
- 一个实用的基于网络的应用程序可以实现远程部署,用于在农业和织品中进行现实世界的质量评估.
